Bruk av KI og automatisering i digital forretningsrådgivning

Forrige uke inviterte miljøet Digital Marketing Malaga meg til å presentere vårt tilfelle. Altså prosessen vi har fulgt i prosjektene våre innen digital forretningsrådgivning hos Disruptivos for å tilpasse oss KI-ens inntog, som, akkurat som i alle andre bransjer, har ført til en stor (r)evolusjon.

Foredraget gikk ganske bra, men sannheten er at jeg forventet det, fordi jeg er ganske fornøyd med prosessen vi har fulgt og resultatene vi har oppnådd. Fremfor alt fordi vi har lagt grunnlaget vi trenger for å kunne bygge videre uten å starte på nytt fra null.

Hvis du driver med noen form for rådgivning – digital eller ikke – vil du se at 80 % av det jeg forteller, kan brukes i virksomheten din, derfor vil jeg oppsummere hovedpunktene fra foredraget her.

Grunner til å bruke KI og automatisere prosesser

Det finnes åpenbare grunner, som du snart vil se, men da vi virkelig begynte å analysere hva vi ønsket å oppnå med KI, innså vi at tidsbesparelse bare var én del av fordelene.

Faktisk handler noen av fordelene jeg i dag synes er viktigst, mindre om å gjennomføre rådgivning raskere og mer om å gjøre den bedre og, fremfor alt, mer konsekvent.

Spørsmålet som setter alt i gang: Gir KI oss virkelig resultatene vi ønsker?

ChatGPT gir oss overraskende resultater. Du kunne lage en god prompt, legge til litt kontekst og i løpet av sekunder ha en analyse, et forslag eller et dokument som tidligere ville ha tatt mye lengre tid.

Problemet oppstod når du prøvde å bruke resultatet i et reelt prosjekt. 

Ofte var kvaliteten ikke god nok, det manglet dybde, noen svar var bedre enn andre, og resultatet avhang for mye av hvordan du hadde formulert prompten eller hvilken informasjon du hadde lagt til.

Derfor endte vi med å endre spørsmålet. I stedet for bare å spørre oss hvordan vi kunne bruke mer KI, begynte vi å spørre oss hva vi måtte endre i prosessene våre for at KI skulle gi oss resultatene vi faktisk trengte.

Denne endringen kan virke liten, men for meg er den grunnlaget for alt vi har gjort etterpå. 

Det er veldig enkelt å bruke KI. Å få den til å bli en del av en profesjonell, repeterbar prosess med tydelige kvalitetsstandarder er mye vanskeligere.

Å spare tid er bare den mest åpenbare grunnen

Den første fordelen med automatisering er åpenbar: å spare tid. Rådgivning innebærer mye informasjonsinnhenting, datainnsamling, foreløpig analyse, dokumentproduksjon og administrative oppgaver som er nødvendige, men som ikke trenger å utføres manuelt av en person fra start til slutt.

Faktisk bør de ikke det.

For hvis vi kan få en oppgave som tidligere tok fire timer ned til én time, får vi tre ekstra timer til andre ting. Multiplisert med alle fasene i et prosjekt har dette stor betydning.

Men det er ett viktig poeng: tidsbesparelsen kunne ikke skje på bekostning av kvaliteten. Hvis en oppgave tar halvparten så lang tid, men resultatet er dårligere, er det ingen reell forbedring for oss.

Derfor er det viktige å spare tid samtidig som vi beholder samme kvalitetsnivå.

Standardisere kvaliteten i alle rådgivningsprosjekter

Dette er sannsynligvis grunnen som veier tyngst for meg til slutt.

Når flere personer gjennomfører rådgivningsprosjekter, er det uunngåelig at det blir forskjeller. Én konsulent kan være spesielt god på teknisk SEO, mens en annen går mye dypere i linkbuilding. Én kan lage svært detaljerte dokumenter, mens en annen er mye mer direkte.

Det er ikke dårlig per se, fordi idealet er å utnytte erfaringen til hver enkelt, men det kan skape et problem når dybden og kvaliteten på tjenesten blir for avhengig av konsulenten som gjennomfører prosjektet.

Vi ønsket å oppnå det stikk motsatte. Hvis en kunde bestiller digital forretningsrådgivning fra Disruptivos, bør det finnes et bestemt nivå av dybde og konsistens uavhengig av hvem som utfører den.

Her kan KI og automatisering hjelpe oss mye, fordi vi på forhånd kan definere hvilke elementer som skal gjennomgås, hvilke KPI-er som skal analyseres, hvilken dokumentasjon som skal brukes, og hvilken minimumsdybde vi forventer i hver del.  

Deretter kan konsulenten selvsagt utvide, vurdere og endre det som anses hensiktsmessig, men det finnes et felles grunnlag som alle prosjekter må oppfylle.

La konsulenten gjøre arbeidet som faktisk skaper verdi

Konsulentens verdi ligger først og fremst i vurderingsevnen. I å forstå virksomheten, vite hvilken informasjon som er viktig og hvilken som ikke er det, stille spørsmål ved en konklusjon, oppdage noe som ikke stemmer, prioritere eller avgjøre hva som gir mening ut fra kundens reelle begrensninger.

Den ligger selvfølgelig også i forholdet til kunden. Det finnes ting som ikke vises i Analytics, Search Console eller et CRM, og som du først forstår etter å ha snakket med menneskene som kjenner virksomheten.

Derfor har ideen vår aldri vært at KI skal gjøre selve rådgivningen, men at den skal ta seg av en del av det forberedende, repeterende eller mekaniske arbeidet slik at konsulenten kan bruke mer tid nettopp der erfaringen gir størst verdi.

Hjelpe nye konsulenter uten hele tiden å være avhengig av seniorene

Det finnes et annet problem som oppstår så snart et team begynner å vokse, eller når du flytter en person til et annet prosjekt. I de første dagene eller ukene må personen spørre om ting hele tiden fordi hele konteksten mangler.

• Hvor et dokument ligger.
• Hvilken mal som skal brukes.
• Hvem som er ansvarlig for et bestemt område.
• Hvilke KPI-er som skal analyseres.
• Hvordan en bestemt leveranse er strukturert. 

Det er helt normalt, men har en ganske åpenbar konsekvens: for at én person skal komme videre, må en annen stadig avbryte sitt eget arbeid.

Og det er her KI kommer inn, fordi den kan bli et kunnskapslag for prosjektet og selve selskapet. Hvis metodikken, prosessene, malene, de ansvarlige personene og dokumentasjonen er godt organisert, kan mange av disse spørsmålene besvares direkte uten at man alltid må gå til en annen konsulent.

Dette erstatter ikke opplæring; det reduserer bare mange avbrudd som ikke skaper verdi og hjelper en ny person med å bli selvstendig raskere.

Disruptivos' rådgivningsmetodikk

Det første som må forklares, er at selv om gjennomføringsprosessen har endret seg, har ikke selskapets framework eller rådgivningsmetodikk gjort det. Den er nøyaktig den samme før og etter KI. Og hvis du er konsulent, vil den sannsynligvis virke kjent eller ligne på det du allerede gjør.

De tre fasene i et rådgivningsprosjekt

Metodikken vår kan oppsummeres i tre hovedfaser: forstå, tenke og gjøre.

Den første går ut på å forstå virksomheten. Her analyserer vi selskapet, tallene, verdiforslaget, teknologien og målene, reviderer de digitale kanalene og ressursene og kompletterer dette med markedsundersøkelser, etterspørselsanalyse og konkurrentanalyse.

Deretter kommer fasen med å tenke. Med all denne informasjonen bygger vi en strategisk plan som i praksis skal svare på tre spørsmål: hva som må gjøres, i hvilken rekkefølge og hvem som bør gjøre det.

Den tredje fasen er implementering. Ikke alle prosjekter kommer så langt, fordi noen avsluttes med levering av den strategiske planen og kunden selv står for gjennomføringen, mens vi i andre fortsetter å jobbe med implementeringen av de foreslåtte forbedringene.

Bryte ned hele prosessen

Da metodikken var forklart, var neste steg å bryte den ned.

Det var ikke nok å si at vi gjennomfører en SEO-audit, en markedsanalyse eller et strategisk forslag. Vi gikk flere nivåer ned – senere skulle vi bryte det enda mer ned – og endte med 6 steg med flere milepæler i hvert.

For hver milepæl besvarte vi tre veldig enkle spørsmål: hvor lang tid den tar i dag, hvilken del som kunne automatiseres, og hvor lang tid den burde ta etterpå. Det første hadde vi beregnet; de to andre var estimater som måtte testes i reelle prosjekter.

Og her dukket en av ideene opp som du bør ta med deg fra hele denne prosessen: hvis en prosess bare finnes i hodet ditt, er du ennå ikke klar til å automatisere den.

Først må du skrive den ned, dele den opp og forklare hvordan den fungerer. Ellers vil du, når du prøver å automatisere den, oppdage unntak, beslutninger eller små steg som kan være intuitive for en erfaren person, men som du aldri hadde dokumentert.

Og som derfor en ny konsulent eller en KI ikke vet hvordan de skal behandle riktig.

Grader av automatisering

Ikke alle oppgaver egner seg for samme grad av automatisering.

For eksempel kan en betydelig del av markedsundersøkelsen automatiseres. Vi kan samle inn søkevolumer, trender og offentlig bransjeinformasjon eller analysere deler av konkurrentenes digitale tilstedeværelse uten at en person må gjøre alt arbeidet manuelt.

I andre områder er andelen mye lavere. Heuristiske CRO-analyser har for eksempel fortsatt en svært stor komponent av menneskelig skjønn.

Enkelte administrative oppgaver, som å opprette mappestrukturer eller prosjekter i Asana, kan automatiseres nesten helt.

Derfor kan du ikke se på automatisering som alt eller ingenting. Det finnes prosesser der du kan automatisere 80 %, og andre der det bare gir mening å automatisere 20 %, og det er absolutt ikke noe problem.

Og husk det vi sa tidligere: spørsmålet er ikke om en oppgave kan automatiseres fullstendig, men hvilken del det gir mening å automatisere uten å gjøre resultatet dårligere.

Resultatene våre

Når vi summerte gjennomsnittstiden vi brukte på alle oppgavene i et prosjekt innen digital forretningsrådgivning, lå et typisk prosjekt på omtrent 80 til 100 arbeidstimer.

Etter å ha analysert automatiseringspotensialet i hver del, ga den teoretiske beregningen rundt 38 timer. På papiret var det en enorm reduksjon, i praksis under halvparten av den opprinnelige tiden.

Virkeligheten er ikke helt der ennå.

I dag ligger vi nærmere 50 timer, noe som fortsatt innebærer at vi nesten har halvert tiden vi tidligere trengte. Samtidig som vi opprettholder kvalitetsstandardene våre, som, som jeg sa tidligere, ikke var til forhandling.

Og det er ikke 38 timer fordi prosesser har unntak, feil oppstår, kunder er forskjellige, og ikke alle integrasjoner fungerer ideelt. Å automatisere den perfekte veien kan til og med være relativt enkelt, men å automatisere alt som kan gå galt er praktisk talt umulig. Og det er ikke verdt det.

Resultatet er bra. Og enda viktigere, nå har vi en grunnstruktur vi kan fortsette å forbedre i stedet for bare å være avhengig av å legge til nye prompts eller verktøy.

Systemene og verktøyene vi bygger

Da prosessen var definert og vi hadde forstått hvilke deler det ga mening å automatisere, begynte vi å bygge verktøyene.

Da vi startet, spilte det ingen rolle for oss om løsningen til slutt ble en GPT, en flyt i n8n, en agent eller en egen applikasjon. Først måtte vi definere nøyaktig hvilken oppgave eller prosess som skulle løses, og deretter velge riktig verktøy.

Det egentlige målet vårt var svært konkret og kanskje litt annerledes enn du forventer, men det avgrenset veldig tydelig hva vi ønsket å oppnå: gjøre livet enklere for enhver ny konsulent uten å senke standardene våre.

Først: dokumentere prosesser, målinger, KPI-er og maler

For å få til dette måtte vi dokumentere hele rådgivningsprosessen langt mer detaljert enn tidligere da vi brøt ned metodikken. Hver del ble til konkrete oppgaver med instruksjoner, relaterte dokumenter og maler som forklarte hvordan de skulle utføres.

Deretter gjorde vi det samme med målingene og KPI-ene.

Vi har ulike nivåer av rådgivning og vet, avhengig av prosjektet, hvilke konkrete målinger som bør analyseres innen hvert område av digital virksomhet, som SEO, CRO, paid media, e-post eller innhold. En konsulent kan legge til alt som anses nødvendig, men det finnes en minimumsbase som må gjennomgås og som er standard for alle rådgivningsprosjekter.

Det samme gjelder selve auditene. Vi laget maler slik at vi, i stedet for bare å be KI om å «gjøre en audit», gir den strukturen vi bruker, områdene som skal analyseres og typen informasjon vi forventer å finne.

Et annet viktig poeng du bør ta med deg: vi lar ikke KI bestemme hvordan god rådgivning skal se ut. Først definerer vi standarden selv, og deretter får vi KI til å arbeide innenfor den.

Velge graden av automatisering: tre tilnærminger

Derfra kan vi velge ulike grader av automatisering.

Den første og enkleste består i å bruke KI som assistent. Det kan være en tilpasset GPT, en Gem, et prosjekt med bestemte instruksjoner eller et lignende verktøy som vi gir metodikken og dokumentasjonen vår.

Det er alternativet med minst automatisering, men også det som gjør at man raskest kan oppnå resultater uten å måtte utvikle altfor mye.

Det andre nivået består i å automatisere oppgaver ved å koble sammen ulike verktøy. Her kommer systemer som n8n inn, der vi kan få informasjon til å gå automatisk fra én applikasjon til en annen, legge inn KI-modeller i bestemte deler av prosessen og beholde menneskelig validering der det er nødvendig.

Og det tredje nivået ville være å bygge et komplett system, enten ved hjelp av agenter eller vår egen SaaS med front-end og back-end.

Da vi begynte å jobbe med alt dette, var agenter mindre utviklet enn de er i dag, så vi satset først og fremst på de to første veiene. Hvis vi startet fra null i dag, ville vi sannsynligvis undersøke en agentbasert arkitektur langt grundigere, selv om jeg fortsatt mener det er fornuftig å validere hver del av prosessen først før man bygger et enormt system.

Verktøyene vi utviklet

Fra hele denne prosessen har det kommet ulike verktøy og eksperimenter. Noen fungerer allerede, andre er fortsatt i utvikling, og flere vil sannsynligvis endre seg mye de kommende månedene.

Det interessante er ikke så mye det konkrete verktøyet vi bruker, fordi mange av dem sannsynligvis vil være annerledes om to år, men hvilket problem hvert av dem løser i prosessen.

Oráculo: en kunnskapsbase for hvert prosjekt

En av de første tingene vi utviklet, var det vi internt kaller Oráculo.

Navnet kan høres mer avansert ut enn det er. I praksis handler det om å ha en kunnskapsbase med informasjonen som trengs for å arbeide med prosjektet: 

1. Prosjektkontekst.
2. Kommunikasjon med kunden.
3. Våre leveranser (audits, veiledninger…)
4. Informasjon fra prosjektstyringsverktøyet vårt.
5. Månedlig KPI-rapport.

Alt dette inne i et KI-system slik at konsulenten kan stille spørsmål.

Hva som helst.

Med disse kildene er det faktisk vanskelig å ha et spørsmål som Oráculo ikke kan svare godt på.

Vi har ett Oráculo per kunde og ett til for hvert enkelt prosjekt, slik at enhver ny konsulent enkelt kan orientere seg.

Dette fungerer selvfølgelig bare hvis utgangsinformasjonen er godt organisert og oppdatert; å legge uordnet dokumentasjon inn i en KI gjør ikke at den på magisk vis blir ryddig.

Automatisere prosjektstyring med n8n, Drive og Asana

Et annet eksempel er en flyt vi har laget i n8n for å automatisere en del av prosjektstyringen.

Når salgsavdelingen lukker et prosjekt, lager den en rapport etter en bestemt struktur. Konsulenten trenger bare å kopiere informasjonen og sende den inn i flyten, der vi bruker en KI-node til å tolke den og automatisk forberede både mappe- og dokumentstrukturen i Google Drive og det tilhørende prosjektet og oppgavene i Asana.

Før noe opprettes, viser systemet informasjonen og ber konsulenten om validering. Hvis noe er feil, kan vi endre det før resten av prosessen kjøres.

Denne utviklingen lærte oss også noe annet viktig: å automatisere når alt fungerer godt er relativt enkelt, men å håndtere feil og unntak er langt mer komplisert.

Et menneske bruker intuitivt en mengde små regler uten alltid å vite at de brukes. Når du automatiserer en prosess, må alle disse reglene være skrevet ned, og systemet må vite hva det skal gjøre når noe ikke passer med det forventede tilfellet.

Rådgivningsassistent

Et annet verktøy vi bygger har et litt annet mål: å fungere som assistent under selve rådgivningen.

Ideen er at en person kan legge inn typen virksomhet og de viktigste KPI-ene, og at systemet hjelper vedkommende med å oppdage hva som bør gjennomgås og hvor det kan være problemer.

For å gjøre dette må systemet kjenne KPI-ene vi anser som relevante og arbeide med offentlige benchmarks og intern informasjon som gjør det mulig å gi kontekst og vurdere målingene.

Vi vil ikke at assistenten skal ta beslutninger for konsulenten, men at den skal gi hint og redusere arbeidet som trengs for å komme til punktet der den virkelig viktige delen av analysen begynner.

Lage det første utkastet til en audit med KI

Neste steg er å bruke alt det foregående til å generere det første utkastet til en audit.

Vi bruker prosjektmaler for Claude Code, Codex eller Antigravity, spesielt forberedt for et område med metodikken, malene og instruksjonene våre, slik at KI kan generere en første versjon av auditdokumentet ut fra den tilgjengelige informasjonen vi gir den.

Vi tester allerede denne tilnærmingen innen områder som SEO, selv om den fortsatt er under utvikling.

Én ting: å generere et første utkast betyr ikke å generere den endelige leveransen.

Konsulenten må fortsatt gjennomgå, redigere, strukturere og prioritere utkastet. KI kan gjøre at arbeidet starter med et dokument som allerede er 50 %, 60 % eller den aktuelle andelen ferdig, i stedet for alltid å starte med en tom side.

Det er målet: ikke å erstatte konsulenten, men å gi et mye bedre utgangspunkt.

Konklusjoner og en liten øvelse

Etter hele denne prosessen er det flere ideer jeg anbefaler at du tar med deg.

Den første er at automatisering ikke bare handler om å spare tid. Å dokumentere en metodikk, definere standarder og bestemme hva som skal skje i hver situasjon er viktigere enn å velge verktøyet som senere skal utføre prosessen.

Den andre er at det ikke finnes én løsning for alt. Noen ganger holder det med en god prompt, andre ganger gir det mening å lage en tilpasset GPT, i noen tilfeller trenger vi n8n, og i andre ender vi med å utvikle en agent eller til og med en komplett applikasjon.

Det du trenger, er å vite hvilke typer verktøy som finnes og hvilket som passer best til problemet du vil løse.

Den tredje handler om konsulentens rolle. Jo billigere og raskere gjennomføringen blir, jo mer verdifulle blir vurderingsevne, beslutningskraft, styring og forholdet til kunden.

Og det finnes en fjerde og siste konsekvens som ikke alle er oppmerksomme på: KI utvider enormt hva én enkelt person kan gjøre.

En markedsføringsspesialist som tidligere ikke kunne utvikle et lite verktøy fordi vedkommende ikke kunne programmere, kan nå gjøre det. En som spesialiserer seg på CRM kan lage automatiseringer som tidligere ville ha krevd en utvikler, og en person på forretningssiden kan prototype løsninger som vedkommende tidligere ikke engang ville ha vurdert å bygge.

Det betyr ikke at vi alle har blitt utviklere, designere eller analytikere, men at terskelen for gjennomføring har falt så mye at det blir stadig viktigere å vite hva vi vil bygge, hvorfor og hvordan det bør fungere og ikke så mye hvordan man bygger det, fordi KI vil gjøre det for oss med de riktige instruksjonene.

Til slutt i artikkelen og foredraget vil jeg gi deg en veldig enkel øvelse som jeg mener er verdt å gjøre.

Tenk på en oppgave du gjør regelmessig i jobben, og spør deg selv hvilken del av den oppgaven du kunne slutte å gjøre manuelt innen seks måneder. 

Tenk deretter på hva du trenger for å få det til: kanskje et verktøy, noen timer til å dokumentere prosessen, hjelp fra en annen person eller ganske enkelt å lære hvordan en bestemt teknologi fungerer.

Da har du allerede tatt det første steget på veien mot automatisering.

Hvis du vil ta det andre, velg noe konkret du kan teste allerede denne uken i et reelt prosjekt. 

Det er slik du begynner å oppdage hvordan dette faktisk kan endre måten du jobber på.